PDF 파일에서 텍스트를 한 줄씩 추출하는 방법

라이선스 키 적용

진행하기 전에 IronPDF 라이선스 키를 적용했는지 확인하십시오.

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

from ironpdf import PdfDocument

# Apply your license key to unlock library features
License.LicenseKey = "YOUR-LICENSE-KEY-HERE"

실제 IronPDF 라이선스 키로 YOUR-LICENSE-KEY-HERE을(를) 대체하십시오. 이 라이선스를 사용하면 프로젝트에서 라이브러리의 모든 기능을 사용할 수 있습니다.

PDF 파일 형식 불러오기

Python 프로그램에 기존 PDF 파일을 불러와야 합니다. IronPDF의 PdfDocument.FromFile 메서드를 사용하여 이를 달성할 수 있습니다.

pdfFileObj = PdfDocument.FromFile("content.pdf")

pdfFileObj = PdfDocument.FromFile("content.pdf")

"content.pdf"는 읽으려는 PDF 파일을 가리킵니다. 이 로드된 PDF 파일은 pdfFileObj 변수에 저장되며, PDF 리더 또는 PDF 파일 객체 pdfFileObj로 사용됩니다.

PDF 문서 전체에서 텍스트 추출하기

PDF 파일에서 모든 텍스트 데이터를 한 번에 가져오려면 ExtractAllText 메서드를 사용할 수 있습니다.

all_text = pdfFileObj.ExtractAllText()

all_text = pdfFileObj.ExtractAllText()

ExtractAllText 메서드는 여기서 시연 목적으로 사용됩니다. 이 메서드는 PDF 파일에서 모든 텍스트를 추출하고 그것을 all_text라는 변수에 저장합니다.

특정 PDF 페이지에서 텍스트 추출하기

IronPDF는 ExtractTextFromPage 메서드를 사용하여 특정 페이지에서 텍스트 추출을 가능하게 합니다. 이 방법은 특정 페이지의 텍스트만 필요할 때 유용합니다.

page_2_text = pdfFileObj.ExtractTextFromPage(1)

page_2_text = pdfFileObj.ExtractTextFromPage(1)

여기서는 인덱스 1에 해당하는 두 번째 페이지에서 텍스트를 추출하고 있습니다.

추출된 텍스트를 기록하기 위한 텍스트 파일 초기화

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

with open("extracted_text.txt", "w", encoding='utf-8') as text_file:

추출된 텍스트 데이터를 저장하려면 "extracted_text.txt"라는 파일을 여세요. 여기서는 Python의 내장 함수 open이 사용되며, 파일 모드를 "write" ("w")로 설정하고, encoding='utf-8'을 사용하여 유니코드 문자를 처리합니다.

각 페이지를 순회하며 한 줄씩 텍스트를 추출합니다.

for i in range(0, pdfFileObj.get_Pages().Count):

for i in range(0, pdfFileObj.get_Pages().Count):

위의 코드는 IronPDF의 get_Pages().Count을 사용하여 PDF 파일의 각 페이지를 반복하여 총 페이지 수를 얻습니다.

텍스트를 추출하고 줄 단위로 분할합니다.

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

page_text = pdf.ExtractTextFromPage(i)
lines = page_text.split('\n')

각 페이지에 대해 ExtractTextFromPage 메서드를 사용하여 모든 텍스트를 가져온 후, Python의 split 메서드를 사용하여 그것을 줄 단위로 나눕니다. 이렇게 하면 반복문으로 처리할 수 있는 줄 목록이 생성됩니다.

추출된 줄을 텍스트 파일에 저장

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

for eachline in lines:
    print(eachline)
    text_file.write(eachline + '\n')

이 코드는 목록에 있는 각 줄을 순회하면서 콘솔에 출력하고, 각 줄 뒤에 줄 바꿈 문자( \n )를 추가하여 텍스트 형식을 올바르게 지정한 후 파일에 씁니다.

전체 코드

다음은 전체적인 구현 방법입니다.

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

from ironpdf import PdfDocument

# Apply your license key
License.LicenseKey = "Your-License-Key-Here"

# Load an existing PDF file
pdfFileObj = PdfDocument.FromFile("content.pdf")

# Extract text from the entire PDF file
all_text = pdfFileObj.ExtractAllText()

# Extract text from a specific page in the file (Page 2)
page_2_text = pdfFileObj.ExtractTextFromPage(1)

# Initialize a file object for writing the extracted text
with open("extracted_text.txt", "w", encoding='utf-8') as text_file:
    # Get the number of pages in the PDF document
    num_of_pages = pdfFileObj.get_Pages().Count
    print("Number of pages in given document are ", num_of_pages)

    # Loop through each page using the Count property
    for i in range(0, num_of_pages):
        # Extract text from the current page
        page_text = pdfFileObj.ExtractTextFromPage(i)

        # Split the text by lines from this page object
        lines = page_text.split('\n')

        # Loop through the lines and print/write them
        for eachline in lines:
            print(eachline)  # Print each line to the console
            # Write each line to the text document
            text_file.write(eachline + '\n')

출력

Visual Studio Code 터미널에 다음 명령어를 입력하여 Python 파일을 실행하세요.

python main.py

python main.py

이 결과는 단말기에 표시됩니다.

추출된 텍스트

PDF 파일에서 추출한 텍스트입니다. 또한 디렉터리에 텍스트 문서가 생성된 것을 확인할 수 있습니다.

추출된 텍스트는 TXT 파일에 저장됩니다.

이 텍스트 파일에는 검색된 텍스트 형식이 순차적으로 표시됩니다.

추출된 텍스트 파일 내용